台積電股票時間序列預測-使用ARIMA模型、Prophet模型預測收盤價
Published in
Aug 24, 2022
根據時間序列的歷史資料來預測未來，進行預測的前提為序列資料是定態的，即序列的基本特徵不會發生大的改變，以下使用ARIMA模型、Prophet模型預測台積電股票的收盤價。
目前取得歷史資料的API集成已有多個函式庫可以使用，本文使用yfinance(Yahoo Finance)作為資料來源。
載入歷史資料
使用Yahoo Finance可以很輕鬆的取得歷史資料，由下圖可以看見拿到了從2000年至2022年8月的歷史資料，共有5655筆數據，包含了當日的開盤價、最高價、最低價、收盤價、交易量、股息以及是否有股票分割（拆股）等資料，接下來就要進行資料處理。
台積電歷史收盤價圖表
將收盤價用matplotlib繪製圖表，可以看見歷史價格的變化，可以觀察出近二年台積電真的漲翻天，接下來究竟會如何呢？
計算簡單移動平均與標準差指標
時間序列常使用移動平均作為預測的依據，因為短期內平均可以觀測出趨勢，標準差則能判斷出波動性，所以使用價格分別計算了簡單移動平均SMA3、SMA7、SMA30以及標準差STD3、STD7、STD30作為模型的輸入。此外還將月份、星期、週數也做為訊號之一，在時間序列的模型中也能看出是不是特定的時間點會有特定的變化？
切割訓練資料與測試資料
我們需要將資料分為二等分，一份作爲模型的參考的數據，並以這些數據找出相對的模型結果，再將測試資料丟入訓練好的模型中進行預測。
本文將訓練集設定成2000年–2019年，測試集為2020年至2022年–08月，讓我來看看模型預測的結果如何？
ARIMA模型
RMSE of ARIMA: 9.542232073400012
MAE of ARIMA: 6.83280169777028Prophet模型
RMSE of Prophet: 16.372098002143794
MAE of Prophet: 12.26518461707087總結
由圖表與誤差可見ARIMA模型預測結果較好，那麼這樣的模型能帶給量化交易者什麼樣的訊息呢？神經網路LSTM預測的結果又如何？下節待續。
感謝 @CYehLu 留言ARIMA模型結果是(0,0,0)？！基本上ARMA模型分析的對象都是定態且非白雜訊的序列，所以分析的第一個步驟是使用ADF單根檢定判斷定態性，再用Ljung-Box檢定判斷是否為白雜訊。本文是使用ARIMA模型，I代表時間序列差分的階數，可以透過差分來讓序列為定態的(例如：將收盤價一階差分成報成率)，但本文結果是ARIMA(0,0,0)表示自回歸模型、移動平均模型、階數都為0階，根據公式定義剩下常數與誤差項，所以可以想像成某種形式的線性回歸的結果。時間序列分析的下一篇我會使用更合適的例子進行分析(例如：美國消費者指數CPI)
很開心你有看到最後，如果你認為這篇文章有幫助到你，請幫我拍手！
對於量化交易有興趣的朋友歡迎訂閱與分享。
